RAG Enhanced NCERT Tutor

NCERT Books Rag System

Este projeto implementa um sistema de geração de recuperação de recuperação (RAG) para livros NCERT usando o Ollama para incorporação de texto e banco de dados de vetores e API GROQ para a resposta do modelo de idioma.

Características

• Usa o modelo de incorporação de texto nomic via Ollama para criar incorporações de vetor
• Armazenamento em Chromadb
• Utiliza a API Groq com o modelo LLAMA 3 8B para gerar respostas
• Fornece um back -end de FASTAPI e o frontend simplit para interação do usuário

Interface simplit

Abaixo está uma captura de tela da interface Streamlit para o nosso sistema de trapos de livros NCERT:

Arquitetura do sistema

Aqui está uma visão geral da arquitetura do sistema de trapos do NCERT Books:

A arquitetura do sistema consiste nos seguintes componentes:

1. Ingestão de dados : os livros do NCERT são processados ​​e preparados para incorporação.
2. Incorporação de geração : ollama com o modelo de incorporação de texto nomic cria incorporações vetoriais para o texto processado.
3. Armazenamento vetorial : O Chromadb armazena as incorporações geradas para recuperação eficiente.
4. Processamento de consultas : as consultas do usuário são processadas e as incorporações relevantes são recuperadas do Chromadb.
5. Modelo de idioma : API GROQ com o modelo LLAMA 3 8B gera respostas com base no contexto recuperado e na consulta do usuário.
6. Back -end : O FASTAPI lida com a comunicação entre o front -end e os vários componentes do sistema.
7. Frontend : o streamlit fornece uma interface de usuário interativa para consultar o sistema e exibir resultados.

Pré -requisitos

Antes de começar, verifique se você atendeu aos seguintes requisitos:

• Python 3.7+
• Ollama instalou e configurou
• Conta da API Groq e chave da API

Instalação

1. Clone o repositório:

    git clone https://github.com/yourusername/ncert-rag-system.git
   cd ncert-rag-system
   

2. Instale as dependências necessárias:

    pip install -r requirements.txt
   

3. Faça o download e configure o ollama:

   • Siga as instruções no site oficial de Ollama para instalar o Ollama
   • Baixe o modelo de incorporação de texto nomic:

      ollama pull nomic-embed-text
     

4. Configure sua tecla API Groq:

   • Crie um arquivo .env na raiz do projeto
   • Adicione sua tecla API Groq:

      GROQ_API_KEY=your_api_key_here
     

Uso

1. Inicie o back -end do FASTAPI:

    uvicorn main:app --reload
   

2. Inicie a interface do usuário do streamlit:

    streamlit run streamlit_app.py
   

3. Abra seu navegador da web e navegue até o URL do aplicativo StreamLit (normalmente http://localhost:8501 )

4. Use a interface para interagir com o NCERT Books Rag System

Avaliação de pano

Licença

Este projeto está licenciado sob a licença do MIT - consulte o arquivo de licença para obter detalhes.

Contribuindo

As contribuições são bem -vindas! Sinta -se à vontade para enviar uma solicitação de tração.

Agradecimentos

• Ollama por fornecer o modelo de incorporação
• Groq para sua API LLM
• FASTAPI e RECLHIT para as estruturas de back -end e front -end